نموذج تنبؤ هجيني لتركيز PM2.5 يعتمد على المركبات عالية التردد ومنخفضة التردد من تحليل EMD

لماذا تهم توقعات هواء أنظف في الحياة اليومية

الجسيمات الدقيقة في الهواء المعروفة باسم PM2.5 صغيرة بما يكفي لتخترق أعماق رئتنا بل وتدخل مجرى الدم. في شمال الصين، حيث تتركز الصناعة الثقيلة والتدفئة الشتوية، غالبًا ما تصل هذه الجسيمات إلى مستويات قد تستدعي تحذيرات صحية، وتعطّل السفر، وحتى إغلاق المصانع والمدارس. يطرح هذا البحث سؤالاً عمليًا للغاية: هل يمكننا التنبؤ بمستويات PM2.5 ساعةً بساعة بدقة أكبر، بحيث تحصل المدن والمواطنون على تحذيرات أبكر وأوثق قبل أن يصبح الهواء خطيرًا؟

نظرة أقرب إلى هواء شمال الصين الملوث

ركز الباحثون على ست مدن رئيسية في شمال الصين: بكين، تيانجين، شيجياتشوانغ، تاييوان، جينان، وتشنغتشو. تمثل هذه المدن مناطق مأهولة بكثافة ومصنّعة حيث تتكرر حلقات التلوث، لا سيما في الشتاء. باستخدام بيانات المراقبة الرسمية، جمع الفريق قراءات PM2.5 كل ساعة طوال عام 2021، ما أدى إلى 8,760 نقطة بيانات لكل مدينة. وجدوا أن مستويات التلوث تفاوتت على نطاق واسع بين المدن؛ فمثلاً كانت تاييوان ذات أعلى متوسط لـ PM2.5، بينما كانت بكين الأدنى. كانت الأحداث المتطرفة لافتة: في تاييوان ارتفعت التركيزات إلى 652 ميكروغرامًا لكل متر مكعب خلال حدث من الغبار والتلوث في مارس، مما دفع مؤشر جودة الهواء إلى أقصى مستوياته، وهو علامة واضحة على تلوث خطير في الهواء.

لماذا من الصعب توقع PM2.5

تتأثر مستويات PM2.5 بالعديد من القوى في آن واحد—الانبعاثات المحلية من المرور والمصانع، والنقل الإقليمي للغبار والدخان، وسرعة الرياح، والرطوبة، وغير ذلك. ونتيجة لذلك، يتصرف سجل التلوث أقل شبهًا بمنحنى أملس وأكثر شبهًا بضربات قلب محزوزة ومضطربة. الأدوات الإحصائية التقليدية أو حتى الشبكات العصبية الحديثة قد تواجه صعوبة مع هذا النوع من البيانات: فقد تلتقط الاتجاه العام لكنها تفوّت الارتفاعات المفاجئة، أو قد تنجح في مدينة واحدة وتفشل في أخرى. حاولت دراسات سابقة تحسين التنبؤات إما بإضافة تفاصيل فيزيائية أكثر (مثل نماذج نقل كيميائي) أو بالاعتماد حصريًا على أساليب تعلم الآلة المتقدمة. بينما يجمع هذا البحث بدلاً من ذلك بين عدة طرق، اختيرت كل منها للتعامل مع «إيقاع» مختلف في البيانات.

تقسيم الإشارة إلى إيقاعات سريعة وبطيئة

الخطوة الأساسية هي تقنية تُعرف باسم التحلل إلى أوضاع تجريبية (EMD)، التي تكسر السلسلة الزمنية الأصلية لـ PM2.5 إلى عدة مكوّنات أبسط. بعض هذه المكوّنات تتذبذب بسرعة وتلتقط القمم قصيرة الأمد والضوضاء؛ والأخرى تتغير ببطء وتعكس الاتجاه الكامن. يجمع المؤلفون أول خمس مكوّنات كأجزاء «عالية التردد» وباقي المكوّنات، بالإضافة إلى الباقي الاتجاهي، كأجزاء «منخفضة التردد». يُدخَل عناصر التردد العالي، التي تكون أكثر اضطرابًا وغير خطية بقوة، إلى شبكة ذاكرة قصيرة وطويلة المدى (LSTM)، وهو نوع من نماذج التعلم العميق مناسب لتعلم الأنماط على مدى الزمن. أما المكوّنات الأكثر سلاسة ومنخفضة التردد فتمر إلى طريقة كلاسيكية للسلاسل الزمنية تعرف بـ ARIMA، الفعّالة عندما تتصرف البيانات بشكل أكثر انتظامًا وقربًا من الخطية.

دمج نماذج مختلفة في تنبؤٍ أذكى

بعد أن تنتج نماذج LSTM وARIMA كل منهما توقعاته الجزئية، يواجه البحث تحديًا آخر: كيفية دمج هذه التنبؤات المنفصلة في قيمة نهائية واحدة أفضل لتوقع PM2.5 للساعة التالية. لهذا، استخدم المؤلفون آلة المتجهات الداعمة (SVM)، وهي طريقة تعلم آلة أخرى تتعلم كيفية وزن ودمج المدخلين. في الجوهر، تعمل SVM كحكم يقرر متى تهم رؤية «العالم السريعة» (نمط التردد العالي) أكثر، ومتى ينبغي أن تسود رؤية «العالم البطيئة» (الاتجاهات الطويلة الأمد). يتم بعدها تقييم النظام المدمج، الذي يسميه المؤلفون Hybrid‑EMDHL، باستخدام عدة مؤشرات أداء، بما في ذلك المتوسط الحسابي للخطأ، ومدى تقارب التوقعات من القيم المرصودة، ومدى دقة النموذج في تحديد اتجاه التغير—سواء كانت المستويات في ارتفاع أو انخفاض.

تحذيرات أوضح وتخطيط أفضل

يتفوق النموذج الهجين على أي من مكونيه الرئيسيين عند استخدام كل منهما بمفرده عبر جميع المدن الست. فهو لا يقلل فقط من الأخطاء المتوسطة والمربعة، بل يحسن أيضًا بشكل كبير القدرة على التنبؤ بدقة ما إذا كان PM2.5 سيرتفع أو ينخفض في الساعة التالية—وهي ميزة حاسمة لإصدار تنبيهات صحية في الوقت المناسب. في كثير من الحالات، يقلل النهج الهجين مقاييس الخطأ بأكثر من النصف مقارنةً بنموذج شبكة عصبية واحد، وتجاوزت دقة «اتجاه التغير» 0.69، ما يعني أنه في أكثر من ثلثي حالات الاختبار توقع الاتجاه بشكل صحيح. للمستخدم العادي، يعني ذلك توقعات جودة هواء على غرار توقعات الطقس أكثر حدة ومصداقية. وللمخططين الحضريين والسلطات الصحية، يقدم أداة عملية لدعم إجراءات مستهدفة مبكرة—مثل تعديل عمليات الصناعة أو ضوابط المرور—قبل ذروة حلقة التلوث، مما يساعد على تقليل التعرض وحماية الحياة اليومية في بعض أكثر المناطق الحضرية تلوثًا في الصين.

الاستشهاد: Wang, P., Wu, Q. & Zhang, G. A hybrid prediction model for PM_2.5 concentration based on high-frequency and low-frequency IMFs with EMD decomposition. Sci Rep 16, 4969 (2026). https://doi.org/10.1038/s41598-026-35386-9

الكلمات المفتاحية: تنبؤ PM2.5, تلوث الهواء, شمال الصين, تعلّم الآلة, تفكيك السلاسل الزمنية